Ciencia de Datos con Python - eLearning
450,00 EUR
- 50 hours
El curso de Python para Ciencia de Datos cubre los conceptos fundamentales de programación con Python y explica análisis de datos, aprendizaje automático, visualización de datos, extracción de datos web y procesamiento de lenguaje natural. Obtendrás una comprensión integral de los diversos paquetes y bibliotecas necesarios para realizar los aspectos del análisis de datos.
Características clave
Idioma
El curso y el material están en inglés
Nivel
Nivel principiante - intermedio
Acceso
Acceso de 1 año a la plataforma de eLearning de estudio autodirigido 24/7
6 horas de contenido en video
con 40 horas de tiempo de estudio recomendado y prácticas
Prácticas
Laboratorios virtuales, Simulación de pruebas, Proyectos finales
Sin Examen
No hay examen para el curso pero el estudiante recibirá un certificado de finalización de la capacitación
Resultados de aprendizaje
Al final de este Curso de eLearning de Ciencia de Datos con Python, podrás:
Adquiera un conocimiento profundo de los procesos de la ciencia de datos, la manipulación de datos, la exploración de datos, la visualización de datos, la construcción de hipótesis y las pruebas.
Instala el entorno de Python requerido y otras herramientas y bibliotecas auxiliares.
Comprende los conceptos esenciales de la programación en Python, como los tipos de datos, tuplas, listas, operadores básicos y funciones.
Realiza cálculos matemáticos de alto nivel utilizando el paquete NumPy y su extensa biblioteca de funciones matemáticas.
Realiza cálculos matemáticos de alto nivel utilizando el paquete NumPy y su extensa biblioteca de funciones matemáticas.
Realiza cálculos científicos y técnicos utilizando el paquete SciPy y sus subpaquetes, como Integrate, Optimise, Statistics, IO y Weave.
Ejecutar análisis y manipulación de datos utilizando las estructuras y herramientas proporcionadas en el paquete Pandas.
Adquiera experiencia en aprendizaje automático utilizando el paquete Scikit-Learn
Comprender modelos de aprendizaje supervisado y no supervisado como la regresión lineal, regresión logística, agrupamiento, reducción de dimensionalidad, K-NN y pipeline.
Utiliza el paquete Scikit-Learn para el procesamiento de lenguaje natural.
Utiliza la biblioteca matplotlib de Python para la visualización de datos
Extrae datos valiosos de sitios web realizando raspado web usando Python
Integrar Python con Hadoop y MapReduce
Contenido del Curso
Introducción a la Ciencia de Datos
Lección 01
- Ciencia de Datos y sus Aplicaciones
- El Proceso de la Ciencia de Datos: Parte 1
- El Proceso de la Ciencia de Datos: Parte 2
Fundamentos de la programación en Python
Lección 02
- Configuración del Cuaderno Jupyter
- Funciones de Python
- Tipos y secuencias de Python
- Inmersión profunda en cadenas de Python
- Demostración de Python: Lectura y escritura de archivos csv
- Fecha y hora en Python
- Objetos en el Mapa de Python
- Lambda y Comprensión de Listas
- ¿Por qué Python para el Análisis de Datos?
- Paquetes de Python para Ciencia de Datos
- Paquete StatsModels
- Paquete Scipy
NumPy
Lección 03
- Fundamentos de NumPy
- Formas de arreglos y ejes en NumPy: Parte A
- Formas y ejes de arreglos NumPy: Parte B
- Operaciones Aritméticas
- Lógica condicional
- Funciones Matemáticas y Estadísticas Comunes en Numpy
- Indexación y Segmentación
- Manejo de archivos
Álgebra lineal
Lección 03
- Introducción al Álgebra Lineal
- Escalares y Vectores
- Producto escalar de dos vectores
- Independencia lineal de vectores
- Norma de un vector
- Operaciones de matrices
- Rango de una matriz
- Determinante de una matriz y matriz de identidad u operador
- Inversa de una matriz y Valores propios y Vectores propios
- Cálculo en Álgebra Lineal
Fundamentos de Estadística
Lección 05
- Importancia de la Estadística con Respecto a la Ciencia de Datos
- Términos Estadísticos Comunes
- Tipos de Estadística
- Categorización y Tipos de Datos
- Niveles de Medición
- Medidas de tendencia central
- Medidas de dispersión
- Variables Aleatorias
- Conjuntos
- Medidas de Forma (Asimetría y Curtosis)
- Covarianza y Correlación
Distribución de Probabilidad
Lección 06
- Probabilidad, su importancia y la distribución de probabilidad
- Distribución de Probabilidad: Distribución Binomial
- Distribución de Probabilidad: Distribución de Poisson
- Distribución de Probabilidad: Distribución Normal
- Distribución de Probabilidad: Distribución de Bernoulli
- Función de Densidad de Probabilidad y Función de Masa
- Función de Distribución Acumulativa
- Teorema del Límite Central
- Teoría de la Estimación
Estadísticas Avanzadas
Lección 07
- Distribución
- Curtosis, Asimetría y Distribución T de Student
- Pruebas de hipótesis y mecanismo
- Resultados de Pruebas de Hipótesis: Errores de Tipo I y II
- Hipótesis nula e hipótesis alternativa
- Intervalos de confianza
- Márgenes de error
- Comparando y contrastando la prueba T y la prueba Z
- Teorema de Bayes
- Distribución Chi Cuadrado
- Prueba de Chi Cuadrado y Bondad de Ajuste
- Análisis de Varianza o ANOVA
- Terminologías ANOVA
- Partición de Varianza utilizando Python
- Distribución F utilizando Python
- F - Prueba
Pandas
Lección 08
- Series de Pandas
- Consultando una serie
- Dataframes de Pandas
- Panel de Pandas
- Funciones Comunes en Pandas
- Funciones de Pandas Datos Función Estadística, Función de Ventanas
- Función de Pandas para Datos y Diferencia Temporal
- Datos categóricos
- Trabajando con datos de texto
- Iteración
- Ordenando
- Trazando con Pandas
Análisis de Datos
Lección 09
- Entendiendo los datos
- Tipos de Datos Estructurados No Estructurados Desordenados etc
- Trabajando con datos: selección de herramientas apropiadas, recolección de datos, manipulación de datos
- Importación y exportación de datos en Python
- Expresiones Regulares en Python
- Manipulación de texto con Expresiones Regulares
- Accediendo a bases de datos en Python
Manipulación de Datos
Lección 10
- Código Pandorable o Idiomático de Pandas
- Cargando indexación y reindexación
- Fusionando
- Optimización de memoria en Python
- Preprocesamiento de Datos: Carga de Datos y Eliminación de Valores Nulos
- Preprocesamiento de Datos Rellenando Valores Nulos
- Formato y normalización de agrupamiento de datos
- Estandarización de Agrupamiento de Datos
- Describiendo datos
Visualización de datos
Lección 11
- Principios de la visualización de información
- Visualización de datos mediante tablas dinámicas
- Bibliotecas de Visualización de Datos en Python Matplotlib
- Tipos de gráficos
- Bibliotecas de Visualización de Datos en Python Seaborn, Plotly, Bokeh
- Usando Matplotlib para graficar
- Trazando gráficos 3D para múltiples columnas usando Matplotlib
- Usando Matplotlib con otros paquetes de Python
- Usando Seaborn para graficar
- Trazando Gráficos 3D para Múltiples Columnas Usando Seaborn
- Introducción a Plotly y Bokeh
¿Quién debería inscribirse en este programa?
Este curso es ideal para personas que están interesadas en seguir una carrera en ciencia de datos, aprendizaje automático o inteligencia artificial, y buscan mejorar sus habilidades de programación en Python y análisis de datos.
Aspirantes a Científicos de Datos
Analistas de Datos
Ingenieros de Software o Programadores
Investigadores y Académicos
Aficionados al Aprendizaje Automático
Estudiantes y Graduados
Requisitos previos
Los estudiantes necesitan poseer un título universitario o un diploma de escuela secundaria. Además, se recomienda encarecidamente tener curiosidad por el análisis de datos y el deseo de explorar las aplicaciones de Python en el campo de la ciencia de datos. También se recomienda contar con:
- Conocimientos básicos de programación en Python: Familiaridad con conceptos básicos de programación en Python como variables, bucles, funciones y control de flujo.
- Comprensión Básica de Estadísticas: Una comprensión básica de estadísticas, incluyendo conceptos como media, mediana, desviación estándar, probabilidad y correlación.
- Matemáticas: Las habilidades básicas en matemáticas, especialmente en áreas como álgebra y álgebra lineal, serán útiles, especialmente al trabajar con algoritmos o modelos de aprendizaje automático.
Preguntas Frecuentes
¿Necesitas una solución corporativa o integración de LMS?
¿No encontraste el curso o programa que encajaría para tu empresa? ¿Necesitas integración con un LMS? ¡Escríbenos! ¡Resolveremos todo!